تقویت گرادیان مقاوم
تقویت گرادیان مقاوم، تقویت گرادیان است که با توابع زیان مقاوم در برابر دادههای پرت آموزش داده میشود — معمولاً تابع زیان هابر (Huber loss) یا کوانتیل (pinball loss) — به جای زیان خطای مربعی. این واریانت که در مقاله اساسی فریدمن در سال ۲۰۰۱ پیشنهاد شد، پیشبینیهایی تولید میکند که به میزان بسیار کمتری توسط مقادیر افراطی یا برچسبهای آلوده تحریف میشوند، در حالی که قدرت پیشبینی کامل درختان تقویتشده با گرادیان را حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust Gradient Boosting (Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/fa/machine-learning/robust-gradient-boosting
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- بوستینگیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- تقویت گرادیان منظمشدهیادگیری ماشین↔ compare
- رگرسیون خطی مقاومیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →